Physics-Informed Machine Learning for Short-Term Flood Prediction

En 3 lignesUn framework PIML intègre des contraintes hydrologiques dans la fonction de perte d'un LSTM pour la prédiction de crues. La contrainte « Trend Alignment » pénalise les incohérences entre tendances de précipitation et débit. Sur données limitées (5%), le modèle atteint NSE=0.23 vs 0.20 pour LSTM standard, avec meilleure stabilité en conditions extrêmes.

Résumé généré par Claude — vérifié par l'humain